NTTは、2024年4月12日、大規模言語モデル(LLM)によって、文書を視覚情報も含めて理解する視覚読解技術を実現したと発表した。実験において、文書画像を提示しながら、あらゆる質問への回答を行うAI実現への可能性を示唆する結果が得られたとしている。本技術は、視覚表現された文書を元に質問応答を行う技術やWeb検索など、産業上重要なサービスの発展に貢献するとしている。